一种新的受大脑启发的人工树突状神经回路

Josiah01

随着人工智能（AI）工具的快速发展，世界各地的工程师一直致力于研究复制人类大脑组织和功能的新架构和硬件组件。
迄今为止创造的大多数受大脑启发的技术都是从脑细胞（即神经元）的激发中汲取灵感，而不是反映神经元素的整体结构以及它们如何有助于信息处理。
清华大学的研究人员最近推出了一种新的神经形态计算架构，旨在复制突触的组织（即神经元之间的连接）和树突的树状结构（即从神经元主体延伸出的突起）。
《自然电子学》杂志发表的一篇论文介绍了这种新型类脑人工系统，它是利用带有离子掺杂溶胶-凝胶薄膜的多栅极硅纳米线晶体管的计算模型实现的。
论文通讯作者之一卡洛·维托里奥·坎尼斯特拉奇 (Carlo Vittorio Cannistraci) 告诉 Tech Xplore：“当我在意大利米兰理工大学读人工智能和大脑生物工程硕士时，我就萌生了模拟大脑连接稀疏性和形态（如神经元树突）来设计高效人工智能的想法。”
“我还对大脑机制的优雅着迷，例如‘静默突触’，当它们被增强的电激活所包围时，它们就会启动自己的功能。”
受之前研究和研究兴趣的启发，Cannistraci 最近开始着手通过计算实现复杂的大脑机制。作为这项最新研究的一部分，他与清华大学的其他研究人员合作，使用神经形态计算模型复制树突的形态和突触的基础。
“有一天，卡洛让我研究‘树突状计算’，因为我们之前在‘神经晶体管’方面的合作研究有可能模仿树突状特性，”通讯作者之一 Eunhye Baek 告诉 Tech Xplore。
“史鲁平教授和我一直在寻找开发神经形态视觉传感器系统的方法，我们认识到这种方法的潜力。
“我的兴趣一直是构建更像大脑/神经元的动态信息处理系统。树突计算让我非常兴奋，因为它涵盖了广泛的动态和复杂特性，这些特性在神经形态工程中尚未得到广泛研究。”
迄今为止开展的大多数神经形态计算研究都侧重于重现与学习相关的突触过程，并人工复制神经元脉冲的产生。这些研究通常将树突建模为简单的传输线，从而忽略了与其独特形态相关的功能。
Baek 解释说：“树突利用其树状形态来映射空间分布的信号，表现出分支特定的可塑性，并整合各种突触。”
“每个树突分支对具有特定方向性的信号特别敏感，使它们专门用于处理时空信号。我们的研究重点是这些复杂的树突功能。”
Cannistraci、Shi、Baek 及其合作者设计并开发了一种新设备，可以反映生物树突的形态和功能。这种被称为“树突晶体管”的设备利用涂有离子掺杂溶胶-凝胶膜的多栅极晶体管的物理原理，模拟树突执行的计算。
Baek 表示：“该薄膜模拟了树突分支，允许掺杂离子以类似于神经元树突中的离子的方式移动，从而调节晶体管的电流以反映树突膜电位的变化。我们的研究表明，树突晶体管表现出非线性树突集成和方向选择性。”
除了树突状晶体管装置，该研究小组最近的论文还介绍了一种人工静默突触。在这个系统中，溶胶-凝胶膜中树突状晶体管分支的电压确保突触输入仅在薄膜达到特定阈值时才激活，从而提高了系统辨别移动视觉刺激方向的能力。
Baek 表示：“我们还创建了一个神经形态树突状神经回路，它可以计算移动信号的方向，这是受到视网膜和视觉皮层神经回路的启发。该电路显示出检测二维和深度移动信号的能力，并将它们整合起来以重建三维空间中物体的移动方向。”
通过紧密镜像树突状神经元的稀疏连接，Cannistraci、Baek 及其同事提出的新型神经形态计算方法被发现可实现显著的能源效率。事实上，该系统展示了利用比现有人工神经网络(ANN) 更少的神经元来检测运动的潜力。
这种新架构的关键优势在于，它不仅限于复制生物神经元的功能方面。与其他现有的神经形态计算平台相比，它还复制了神经元的结构和稀疏连接，包括树突的形态和静默突触的基础。
Baek 表示：“尽管在神经形态研究中，实现智能的方法多种多样，但我们的研究独特地展示了神经元及其突触连接形态在动态信号处理中的重要性。”
“我们通过模仿生物神经元形成功能性神经回路的方式实现了这一目标，这种方式具有突触输入的空间稀疏映射，强调了这种形态对于有效的神经形态信息处理的重要性。”
值得注意的是，该研究团队首次证明抑制突触和静默突触的空间位置也可以控制神经形态系统中神经元的信号处理。这一见解可以指导设计其他可重现静默突触的计算模型和架构。
Cannistraci 表示：“稀疏性和形态学一直未被充分理解，也未用于构建下一代人工智能。我们的研究首次展示了如何利用真实大脑网络的这两个特征来设计下一代神经形态神经网络，以实现高效的人工智能。”
Cannistraci、Baek 及其同事最近的努力可能很快会为基于半导体器件的神经形态系统工程开辟新的令人兴奋的途径。具体来说，他们提出的受大脑启发的设计可能有助于开发能耗更低的新设备和 AI 工具，从而为更可持续的计算铺平道路。
在接下来的研究中，研究人员计划进一步扩展他们的人工神经回路，使用先进的抑制连接来进一步提高动态视觉信号的分类能力。为此，他们将尝试紧密模仿大脑在发育早期观察到的神经连接。
Cannistraci 补充道：“我们计划开发新的神经形态树突网络架构，进行深度学习并解决视觉感知之外的其他人工智能任务，例如时间序列分析和听觉任务。”
“此外，我们希望开发能够处理和关联视觉和听觉等不同类型感官输入的多模式电路。最后，我们希望将这种稀疏和形态计算范式扩展到在数字硬件上实现的经典类型的人工神经网络。”